ICM 2026 Plenary Lecture - Éva Tardos

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : la conférence synthétise des résultats clés de la théorie algorithmique des jeux, en les reliant aux défis contemporains de l’IA et de l’apprentissage. L’argumentation est solide, s’appuyant sur des exemples concrets (paradoxe de Braess, enchères publicitaires) et des preuves mathématiques. Tardos explique clairement les hypothèses et les limites des modèles, ce qui renforce la crédibilité. Elle propose une perspective nouvelle en remplaçant l’équilibre de Nash par l’apprentissage sans regret, et discute des extensions nécessaires pour les jeux dynamiques.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est exemplaire : la conférence est donnée par une experte reconnue, et les résultats présentés sont issus de la littérature académique. Les sources sont citées de manière informelle (noms des auteurs, années) mais suffisamment précises pour être identifiées. Le titre est parfaitement adéquat au contenu. La qualité des sources est élevée, bien que la transcription ne fournisse pas de liens directs. L’adéquation titre/contenu est parfaite.

Le titre est exact et descriptif, annonçant une conférence plénière de l'ICM 2026 par Éva Tardos.

8/10

Conférence plénière d'une chercheuse de renommée mondiale, présentant des résultats établis et des travaux récents, avec des preuves mathématiques et des références à la littérature. Le niveau de détail et la rigueur sont élevés, bien que la forme orale limite la profondeur.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction par le modérateur et présentation d'Éva Tardos.
• 02:00Introduction du thème : apprentissage et interactions, et le prix de l'anarchie.
• 05:00Explication du paradoxe de Braess avec l'exemple du trafic routier.
• 10:00Définition du prix de l'anarchie et mention des travaux de Koutsoupias et Papadimitriou.
• 15:00Discussion sur la difficulté de calculer les équilibres de Nash et l'information nécessaire.
• 20:00Introduction de l'apprentissage sans regret comme hypothèse comportementale.
• 25:00Explication de la preuve de l'extension des résultats du prix de l'anarchie à l'apprentissage sans regret.
• 30:00Limites de l'hypothèse : jeux avec état évolutif, exemple des files d'attente.
• 35:00Présentation d'un modèle de routage avec files d'attente et question de la capacité supplémentaire.
• 40:00Conclusion et perspectives pour les jeux dynamiques.

• The Price of Anarchy and the Design of Scalable Resource Allocation Algorithms — Référence au concept de prix de l'anarchie introduit par Koutsoupias et Papadimitriou.
• The Price of Anarchy in Games of Incomplete Information — Travaux de Tim Roughgarden sur l'extension du prix de l'anarchie à l'apprentissage sans regret.
• The Complexity of Computing a Nash Equilibrium — Résultat de Daskalakis, Goldberg et Papadimitriou sur la dureté du calcul des équilibres de Nash.

• The Price of Anarchy in Games of Incomplete Information — Travaux de Tim Roughgarden qui confirment l'extension des résultats du prix de l'anarchie à l'apprentissage sans regret.

• The Complexity of Computing a Nash Equilibrium — Ce résultat montre que le calcul d'un équilibre de Nash est difficile, ce qui contraste avec l'hypothèse d'apprentissage sans regret qui ne nécessite pas de convergence vers un équilibre.